个人经历对齐（脱敏版）

这页只保存从本地 careers 工作区得到的技术主题计数，不复制简历原文、姓名、公司、客户、联系方式、项目地址或任何个人经历细节。计数是关键词出现次数，不是能力评分；课程的真实掌握仍以测试、clean-room、故障题、口述和人工审核为准。

观察到的主题信号

在 2026-08-10 的只读脱敏扫描中，主题词出现次数为：

主题	次数	课程解释
Vue	103	用熟悉的组件、状态和浏览器交互承载 attention、训练 trace 与 Agent recovery；页面只是直觉层，Python 才是语义真相
LLM	93	不从“调用 API”开始，而是把已有关注点拆成 tokenizer → loss → Transformer → inference → Agent
Agent	265	W9–W11 重点转向 state、typed tools、MCP、HITL、ACL、恢复和评估，而不是只做 prompt demo
RAG	237	把检索经验落实为 chunk/embedding/BM25、citation、冲突拒答和 ACL-before-rank
MCP	126	以协议边界映射已有系统集成经验，但明确 MCP 不是权限边界
iOS	72	迁移到端侧资源、延迟、缓存和生命周期思维；对应 W7 的 KV cache/量化和 W10 的恢复
RTC	55	迁移到流式状态、弱网、不确定结果、幂等与可观测 trace；对应 W7/W10
TypeScript / JavaScript	13 / 17	课程站点保留 TS/Vue 交互，但核心模型全部用 Python/PyTorch 手写
Python / PyTorch	5 / 1	这是主要补强区：W1–W6 每周必须有可运行的最小实现、梯度/参数更新和故障定位
GitLab / CI/CD / Docker	9 / 6 / 1	W11–W12 把发布、artifact chain、最小权限和回滚当作工程课，不把 YAML 静态检查当作真实 CI/生产通过
observability / Kibana / security	2 / 1 / 3	观测和安全主题较少，课程用 trace、Judge 校准、ACL、prompt injection 与 secret-exfiltration 回归补齐

个性化学习路径

1. 先用熟悉的 UI 建立直觉，再立即落到数值证据。 W1/W2 的浏览器 demo 解释计算图、概率和采样；同一概念必须在 Python 测试中通过梯度、loss 和参数更新。
2. 把 Agent/RAG 经验下沉到模型原理。 W9/W10 不跳过 W1–W8；每个工具调用都要能追溯到模型输出、schema、policy、checkpoint 和最终状态。
3. 把 iOS/RTC 的性能直觉迁移到推理。 W7 用 prefill/decode、KV cache、RoPE、GQA、量化和 warm-up/repeat 实验解释延迟、吞吐、显存和质量的权衡。
4. 把交付经验升级为可审计发布。 W11/W12 复用 CI/CD 思维，但加入成本、凭据、artifact hash、清理回读、生产 HTTPS 和 Chrome 证据；本地合同不冒充云或线上。
5. 对 Python/PyTorch 设置补强门。 在进入 W8 后训练和 W10 Agent 前，必须完成 W1–W6 的独立手写、至少一个故障修复和口述；否则继续停留在 gate，不依赖页面进度。

隐私与证据边界

• 本页不记录原始路径、文件名、原文、邮箱、手机号、账号、客户或公司信息。
• 主题计数只用于调整教学顺序，不用于招聘、绩效或身份推断。
• 课程仍以 pnpm verify 全链路通过和 毕业口试与总复习 的验收标准为唯一合同；个人经历对齐不能降低 Google Cloud、生产、许可证、clean-room 或人工验收门槛。

---

时效声明：本页为 2026-08-10 的脱敏扫描快照，无自动更新机制，仅供本人调整学习顺序参考；主题计数随履历材料变化即过期，不作为任何当前事实。